Le potentiel du GPT

L'émergence récente de ChatGPT (Chat Generative Pre-Trained Transformer) a déclenché de nombreuses expériences pour tester ses capacités à accomplir des tâches traditionnellement effectuées par des humains. Dans une étude récente menée par des chercheurs de l'Université de technologie d'Eindhoven et de l'Institut chinois de réfrigération et de cryogénie de l'Université du Zhejiang, GPT-4, la version la plus avancée de ChatGPT, a été explorée pour son potentiel d'automatisation de l'exploration de données pour la gestion énergétique des bâtiments.

L'étude a révélé que GPT-4 peut générer des codes de prédiction de la charge énergétique, diagnostiquer les pannes du système et détecter les anomalies d'une manière qui ressemble étroitement aux capacités humaines. Cette avancée ouvre des opportunités critiques dans le domaine de la gestion énergétique des bâtiments.

Au cours des tests, GPT-4 a démontré une génération de code précise pour les tâches de prévision de la charge de refroidissement en utilisant les données opérationnelles d'un véritable immeuble de bureaux. Il a montré des performances prometteuses dans la génération de codes Python basés sur les exigences des tâches et les ensembles de données. Cependant, la complexité des tâches nécessitait souvent des révisions de code. GPT-4 a atteint une grande précision dans la prévision de la charge de refroidissement d'un immeuble de bureaux, mais a généré des codes plus simples pour les tâches simples que pour les tâches complexes.

En diagnostiquant les défauts des systèmes CVC, GPT-4 a réussi à identifier les défauts courants dans les unités de traitement d'air (AHU), les refroidisseurs et les composants à débit de réfrigérant variable (VRF) avec une grande précision. Cela pourrait également expliquer les facteurs à l’origine des résultats. L'étude a révélé que l'utilisation de données de pannes, de données normales, de symptômes et d'étiquettes de pannes dans les invites améliorait la précision et la cohérence du GPT-4 dans le diagnostic des pannes.

En matière de détection d'anomalies, GPT-4 a démontré sa capacité à identifier des modèles de fonctionnement anormaux dans les systèmes CVC et à expliquer leurs causes. Cependant, il n’a pu identifier avec précision que certaines anomalies, tandis que d’autres n’ont pas été détectées. En incorporant des règles d'association dans les invites, la précision de GPT-4 en matière de détection et de diagnostic des anomalies s'est considérablement améliorée.

Malgré ses capacités impressionnantes, GPT-4 présente des limites. Sa faible stabilité affecte la fiabilité et la reproductibilité de ses sorties. Il lui manque les connaissances du domaine humain dans le domaine de la gestion énergétique des bâtiments, ce qui rend l’interprétabilité des modèles de prévision de charge peu fiable. Il s'efforce également d'établir des relations causales entre les défauts et les symptômes et de comprendre les plages normales de variables d'anomalie dans les systèmes CVC. De plus, les capacités mathématiques de GPT-4 sont médiocres, ce qui entraîne des erreurs dans le calcul des caractéristiques statistiques des données de séries chronologiques.

Pour surmonter ces limites, les chercheurs ont proposé divers sujets de recherche pour de futures études. Il s'agit notamment du développement de méthodes de saisie automatique, de la formation de GPT-4 à l'utilisation de plates-formes logicielles et de la création d'un modèle personnalisé spécifiquement pour la gestion de l'énergie des bâtiments.